1. 一种基于多模态融合神经网络的心肌梗死自动检测方法，它包括：

1）通过对单个心拍的截取，生成12 导联的心电信号样本

读入12导联的心电信号的数据，对每个导联心电信号根据同一时刻R波顶点的位置向前截取P个点，向后截取Q个点，每个导联的每个心拍截取W=P+Q个点的数据，相同时刻R波顶点每个导联所截取心电信号的W个点进行第二维度拼接，此时心电信号由1*W维扩增为12*W维；

原始每个心拍的心电信号的数据形成上述12*W维的样本，作为卷积神经网络模型的输入X；

将所有 12 导联的心电信号通过上述单个心拍的截取方法对所有的心拍进行截取，形成数据集U，其中数据集U中的每个样本都是上述12*W维的单个心拍的心电信号数据；

2）搭建 12 导联的心电信号的卷积神经网络模型

卷积神经网络模型核心由两部分组成：

a.针对 12 导联的心电信号中每个单导联的心电信号的包含三个串联卷积层的底层卷积层结构，与输入X连接；

b.针对 12 导联的心电信号的包含两个串联卷积层的高层融合卷积层结构，与a部分连接，得出的特征经过多个全连接层得到输出分类结果y_pred；

3）训练卷积神经网络的参数

初始化所述卷积神经网络的参数，将采样好的数据集U随机抽取80%数目的样本当作训练集，其他未选中的样本视为测试集；将训练集中的心电信号样本输入到初始化后的神经网络中，以最小化代价函数为目标进行迭代，生成所述卷积神经网络的参数并保存；

4）对测试集样本进行自动识别

将划分好的测试集样本输入到卷积神经网络中并运行，获得测试集样本对应的2维预测值向量输出，将测试集样本的标签使用one-hot编码的方法生成2维的标签向量，将输出的预测值与测试集样本的标签比对来检查分类是否正确，通过分类结果y_pred来判别模型的性能。

2.根据权利要求1所述的一种基于多模态融合神经网络的心肌梗死自动检测方法，其特征在于：所述卷积层包含一个卷积层单元以及该卷积层单元输出端依次串联的一激励单元操作和一池化层操作。

3. 根据权利要求1或2所述的一种基于多模态融合神经网络的心肌梗死自动检测方法，其特征在于：所述卷积神经网络参数为：输入X为心电信号样本，每个心电信号样本都是

12*W维, 12 为导联的个数，W为每个心拍上截取的点数；将输入 12 导联心电信号的每个导联的信号分别输入到12个底层卷积层中，其中每个底层卷积层包含三层卷积层单元，每个卷积层单元的输出端依次串联的一激励单元操作和一池化层操作；第一个卷积层单元的卷积核数为5个，卷积核大小为3，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；经过第一层池化单元后的特征图维度为(W/2)*5；第二个卷积层单元的卷积核数为10个，卷积核大小为4，卷积层单元后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；经过第二层池化单元后的特征图维度为(W/4)*10，第三个卷积层单元的卷积核数为20个，卷积核大小为4，卷积层后的激励单元为relu函数，池化层单元的池化核大小为2，池化步长为2；经过第三层池化单元后的特征图维度为(W/8)*20。

4.根据权利要求3所述的一种基于多模态融合神经网络的心肌梗死自动检测方法，其特征在于：将单导联信号进行上述操作后最终输出的特征图拼接操作，形成维度为12*[(W/

8)*20]的特征图，输入到高层融合卷积层，高层融合卷积层包含两层卷积层，12导联的特征融合成一块，形成最终特征，得到的特征输入激励单元为softmax的全连接层，全连接层的层数为5层，得到输出分类结果y_pred。

5.根据权利要求4所述的一种基于多模态融合神经网络的心肌梗死自动检测方法，其特征在于：所述的迭代为：迭代一次更新一次训练参数，直至最后卷积神经网络的损失值和准确率稳定在某一数值附近，停止训练并保存当前网络的训练参数和模型结构信息。